20、以工件为中心的流程挖掘与审计:技术、应用与未来方向

以工件为中心的流程挖掘与审计:技术、应用与未来方向

1. 以工件为中心的流程挖掘

1.1 工件模型

以工件为中心的流程挖掘技术源于用于描述具有多个案例标识符的流程行为和数据流的建模概念。以下是一些相关的建模方法:
- Proclet 符号 :扩展了 Petri 网,通过端口指定异步通道上消息交换的一对多和多对多基数约束。
- Guard - Stage - Milestone(GSM)符号 :允许使用不同工件数据模型上的事件 - 条件 - 动作规则来指定工件及其交互,其一些建模概念被 OMG 的 CMMN 1.1 标准采用。
- 数据中心动态系统(DCDS) :通过逻辑约束对数据库记录的更新来指定以工件为中心的行为。
- 扩展现有工业标准 :如 BPMN 和 UML 可扩展用于描述工件,并且可以验证基于 UML 的模型和 DCDS 的行为异常。

此外,还有研究展示了如何在以工件为中心和以活动为中心的流程模型之间进行转换,以及如何基于行为约束推导描述不同工件之间交互的以活动为中心的流程模型。

1.2 应用示例

以工件为中心的流程挖掘适用于分析事件可与多个案例标识符或对象相关联的事件数据,主要应用场景如下:
- 信息系统中的流程分析
- ERP 系统 :例如,在 SAP ERP 系统的订单到现金流程中,可区分 18 个不同业务对象的正常和异常流程。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值